为什么我的验证数据在使用 CNN 进行训练后，R 平方得分为负？

Question

我正在尝试使用卷积网络执行非线性拟合。我想要执行拟合的曲线如下所示：

因此，我将数据组织为一个 Numpy 数组，其中每一行都是一条曲线。每行有 512 个与曲线相对应的数据点（列），加上包含目标的另外两列（513 和 514）。目标是我希望 CNN 生成的两个拟合参数。我的训练数据集中有 19889 行（曲线）。

我的模型是使用 keras 构建的，它看起来像这样：

model = Sequential()
model.add(Conv1D(filters=64, kernel_size=3, 
activation='relu',data_format="channels_last", input_shape=(512,1)))
model.add(Conv1D(filters=64, kernel_size=3, activation='relu'))
model.add(Dropout(0.5))
model.add(MaxPooling1D(pool_size=2))
model.add(Flatten())
model.add(Dense(100, activation='relu'))
model.add(Dense(2, activation='linear'))

编译和拟合线看起来像这样

# We compile the keras model
model.compile(loss='mean_squared_error', optimizer= Adam(learning_rate=0.0001), metrics=['mean_squared_error', 'mean_absolute_error','r2_score','root_mean_squared_error'])

# We define the callbacks.
early_stop = EarlyStopping(monitor='val_loss', patience = 25, verbose=2)
log_csv = CSVLogger('Model_2_IRF_extraction_lr00005.csv', separator= ',', append=False)
callbacks_list = [early_stop, log_csv]

# We fit the keras model on the dataset.
history = model.fit(X, y, validation_split=0.1, epochs=500, batch_size=10, verbose=2, callbacks=callbacks_list)

拟合运行，但验证集的 Rsquare 值和验证损失看起来非常奇怪。请看下面。

我的 CNN 有什么问题吗？我怀疑它与第一层中的“input_shape”参数有关，但我不知道该怎么做。

Answer 1

问题似乎确实可能与您如何处理输入形状以及如何为 CNN 准备数据有关。以下是一些需要检查和调整的事项：

1. 输入形状：第一个 Conv1D 层中的 input_shape 应与输入数据的形状匹配。由于每条曲线都有 512 个数据点，并且您使用的是 Conv1D，因此输入形状应为 (512, 1)，其中 512 是时间步数，1 是每个时间步的特征数。确保您的输入数据 X 相应地重新整形。您可以使用以下方法重塑数据：

X = df_array[:, :512]  # Select only the first 512 columns which are the features
X = X.reshape(X.shape[0], 512, 1)  # Reshape for Conv1D: (number of samples, timesteps, features)

2. 目标数据y：确保y仅包含两个目标列，并且形状为(num_samples, 2)。如果您的 y 当前包含所有 514 列，您需要正确地对其进行切片：

y = df_array[:, 512:514]  # Select the last two columns as targets

数组 3. 数据形状验证：重塑后，您可以打印 X 和 y 的形状以确认它们是否正确：

print(X.shape)  # Should be (19889, 512, 1)
print(y.shape)  # Should be (19889, 2)

4. 编译指标：默认情况下，Keras 中不提供指标“r2_score”。您需要为 R² 分数定义自定义指标，或者使用 tf.keras 等库，如果您使用 TensorFlow 后端，该库可能支持它。如果您还没有定义自定义 R² 分数指标，请按以下步骤操作： )

   import tensorflow as tf

   def r2_score(y_true, y_pred):
       SS_res = tf.reduce_sum(tf.square(y_true - y_pred))
       SS_tot = tf.reduce_sum(tf.square(y_true - tf.reduce_mean(y_true)))
       return (1 - SS_res/(SS_tot + tf.keras.backend.epsilon()))

   model.compile(loss='mean_squared_error', optimizer=Adam(learning_rate=0.0001),
                 metrics=['mean_squared_error', 'mean_absolute_error', r2_score, 'root_mean_squared_error'])

6. 回调和训练：您的回调和训练设置看起来不错。但是，如果重要的话，请确保您的数据不会以破坏数据序列性质的方式进行改组（尽管这在时间序列预测中比在曲线拟合中更重要）。 通过确保正确设置这些方面，您的模型应该能够更好地从数据中学习并提供有意义的验证指标。